Resemble AI开源语音合成模型Chatterbox Turbo：5秒克隆人声，内置抗编辑水印

Resemble AI近日推出开源语音合成模型Chatterbox Turbo，该模型仅需5秒音频即可克隆人声，在音质表现上优于ElevenLabs与Cartesia等竞品。作为一款拥有3.5亿参数的高效模型，其通过单步解码技术显著降低显存占用与计算需求，首段音频输出延迟控制在150毫秒以内，适用于实时智能体、客服系统及游戏等场景。

该模型采用MIT许可证发布，支持免费商用与二次开发，目前已部署于Hugging Face、RunPod等平台，完整代码托管于GitHub。技术特性方面，Chatterbox Turbo原生支持多语言生成及副语言标签，用户可在文本中插入笑声、咳嗽等标记，使合成语音更具表现力。值得注意的是，所有生成音频均内置PerTh水印技术，该水印可抵抗MP3压缩与编辑操作，为防范技术滥用提供溯源保障。

行业观察显示，2026年语音克隆技术已实现高度拟真，但伴随技术普及，伦理风险日益凸显。Resemble AI此次开源行为被视为推动技术透明化的重要举措，其托管服务与即将发布的低延迟版本，或将为行业建立新的技术基准。